-
公开(公告)号：CN114169346A
公开(公告)日：2022-03-11
申请号：CN202111298579.0
申请日：2021-11-04
Applicant: 华东师范大学
IPC: G06F40/58 , G06F40/253
Abstract: 本发明公开了一种运用词性信息的机器翻译方法，其特点是使用包含对应词性标签的双语语料的训练集，在翻译模型训练完成后，利用词性信息辅助机器翻译；所述翻译模型包括共享编码器、解码器和词性分类器，且以不同的方式导入词性信息，增强模型语言理解和文本生成的能力；所述共享编码器由源句编码器和辅助句编码器组成；所述解码器包括原始多头注意力模块和辅助多头注意力模块。本发明与现有技术相比具有将引入的词性信息提升机器翻译模型的性能，本发明以Transformer为基础翻译模型，在编码器和解码器两个组件中以不同的方式导入词性信息，使得翻译模型能够利用词性信息来增强模型语言理解和文本生成的能力，提升机器翻译的质量。
-
公开(公告)号：CN112766393B
公开(公告)日：2021-10-15
申请号：CN202110103982.7
申请日：2021-01-26
Applicant: 华东师范大学
Abstract: 本发明公开了一种基于主动学习多视图多标签分类器的构建方法，在基于多视图工作基础上，首先采用条件伯努利混合模型构建了一种多视图的分类器和一个综合分类器。并构建了一种选择样本的查询函数，用于在未标注样本集上挑选信息最为丰富的样本标注，添加到标注样本集上能够以标注最少的样本，最大化地提升分类器的效果，并减少标注的成本。本发明的创新点是将多视图的方法引入到多标签分类中构建分类器，并考虑标签之间的依赖关系、视图的一致性来制定样本的查询函数。最后在场景数据集上进行了实验，验证了本发明的有效性。
-
公开(公告)号：CN112016604A
公开(公告)日：2020-12-01
申请号：CN202010835980.2
申请日：2020-08-19
Applicant: 华东师范大学
Abstract: 本发明公开了一种运用视觉信息的零资源机器翻译方法，该方法具备翻译能力前需要使用含有图片信息的单语语料训练一个翻译模型。在训练完成后，本方法就有了翻译的能力。本发明的创新点在于在没有平行语料而具有对应图片的情景（零资源情景）下达到良好的翻译性能。本发明以Transformer为基础翻译模型，并引入预训练语言模型，在减少训练时间的同时提升性能。本发明在典型Transformer中引入多模态模块，使得翻译模型能够融合处理多模态数据。本发明利用了屏蔽序列恢复和回译两种训练方法优化模型参数，使得翻译模型能够在零资源场景下完成训练。
-
公开(公告)号：CN117688472A
公开(公告)日：2024-03-12
申请号：CN202311703839.7
申请日：2023-12-13
Applicant: 华东师范大学
IPC: G06F18/2415 , G06F18/25 , G06N3/044 , G06N3/045 , G06N3/042 , G06N3/0442 , G06N3/084 , G06N3/0985 , G06N3/088 , G06F123/02
Abstract: 本发明涉及时间序列数据的分析与处理技术领域，尤其是涉及一种基于因果结构的无监督域适应多元时间序列分类方法，以解决现有多元时间序列域适应方法在复杂多元时序动态系统中鲁棒性和适应性不足的问题，所述方法包括：对多元时序数据进行多视图增强，构建多元时序数据的跨域共享因果结构；提取多元时序数据的时序隐状态；提取多元时序数据的特有因果结构；进行因果引导的多元时序表征聚合；提取时序表征所对应的时序特征；对时序特征进行跨域分类，得到分类结果并计算总体分类损失；进行域内对比学习得到域内对比学习损失；进行跨域因果一致性学习得到因果图对比一致性损失；构建总体误差函数用以优化分类结果。
-
公开(公告)号：CN116704495A
公开(公告)日：2023-09-05
申请号：CN202310700357.X
申请日：2023-06-14
Applicant: 华东师范大学
IPC: G06V20/64 , G06V20/56 , G06V10/82 , G06V10/774 , G06V10/40
Abstract: 本发明公开了一种基于目标表面点与地面映射的单目3D检测模型的构建方法，单目三维目标检测因其简单、成本低而备受关注。本发明将物体表面点映射到地平面上，并将物体深度求解问题分解为地面深度估计和表面点高度估计。在训练阶段，密集的地面深度标签由目标表面深度提供。在推理阶段，通过查询地面深度图来恢复表面点深度。结果得到了大量候选的目标深度，并可根据候选目标深度的不确定性进行最终实例深度的组合，最终结合其它预测的三维属性获得目标的3D包围框。此外，由于大多数映射的地面点被物体遮挡，可能会误导网络学习，本发明设计了一种深度扩充策略来扩展地面标签。本发明在KITTI数据集中取得了优越的性能，相比于同类的方法性能提升明显。
-
Patent Agency Ranking
公开(公告)号：CN115909458A
公开(公告)日：2023-04-04
申请号：CN202211509375.1
申请日：2022-11-29
Applicant: 华东师范大学
IPC: G06V40/16 , G06N3/0464 , G06N3/08 , G06V10/77 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于样本级对比学习的人脸识别方法，其特点是该方法具体包括：获取公开人脸数据集；对数据集进行处理，将人脸部分进行裁剪；设计一种联合样本级对比损失和分类损失的训练框架；设计一种针对性样本级对比损失函数；组合框架中的特征提取网络，分类损失和对比损失，并训练至收敛等步骤。本发明与现有技术相比具有在需要高质量数据集的人脸识别任务上联合了样本级对比损失和分类损失，通过对比损失增大了不同图像特征之间的距离，这种在高维空间中的区分度提升有助于模型在识别任务中获得更好的表现。设计的损失增强了对比监督的效果，又避免了对比和分类损失之间的监督信号干扰，最终实现了准确的人脸识别效果。
-
公开(公告)号：CN114925850A
公开(公告)日：2022-08-19
申请号：CN202210509849.6
申请日：2022-05-11
Applicant: 华东师范大学
Abstract: 本发明公开了一种面向扰动奖励的深度强化学习对抗防御方法，该方法在深度强化学习算法PPO的基础上构建了一个名叫RecRe的奖励复原模块，该模块能够从扰动奖励中复原得到干净奖励。随后，强化学习智能体根据干净奖励学习得到具有防御能力的最优策略。本发明的创新点在于将深度学习环境中的扰动奖励看作是监督学习中的噪声标签，借助噪声标签学习的思想，构建了RecRe模块从噪声奖励中复原奖励，使得最终根据复原奖励学习的策略具备对抗防御性。相比于先前的替代策略和预测策略，本发明所提出的结合RecRe模块的PPO训练框架学习得到的复原策略具有更好的防御效果。
-
公开(公告)号：CN114897914A
公开(公告)日：2022-08-12
申请号：CN202210259206.0
申请日：2022-03-16
Applicant: 华东师范大学
IPC: G06T7/11
Abstract: 本发明涉及图像处理技术领域，具体涉及一种基于对抗训练的半监督CT图像分割方法，包括以下步骤：首先获取肺部的三维CT图像，建立体素级标注的患病数据集、未标注的患病数据集及健康数据集；接着将三种数据集中的CT图像依次输入给生成器和分割器，分别得到合成的健康图像和分割掩码。然后将合成的健康图像的掩码区域和输入图像的反掩码区域拼接得到恢复的健康图像；合成的健康图像的掩码区域的值设为0得到反掩码图像。最后以对抗训练的方式让两个判别器分别监督恢复的健康图像和反掩码图像，来提高分割器的分割和生成器的效果。本发明实现了使用少量体素级标记样本来得到性能准确的分割模型，特别设计的分割器有效地提高了特征表示能力。
-
公开(公告)号：CN113947135B
公开(公告)日：2022-07-08
申请号：CN202111136027.X
申请日：2021-09-27
Applicant: 华东师范大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于缺失图重构和自适应近邻的不完整多视图聚类方法，该方法通过学习一致性非负特征实现不完整多视图数据的聚类。本发明考虑到不同视图上的不完整图结构将其分解成一个视图一致性特征和多个视图特定特征，其中视图一致性特征用来保留多视图数据的近邻图结构信息。本发明的创新点在于从不完整视图的图结构分解角度重新思考不完整多视图聚类问题，同时学习缺失多视图数据的一致性非负特征与公共图结构，其中一致性非负特征满足公共图结构约束。本发明的不完整多视图聚类框架由矩阵分解模型和自适应近邻模型组成，同时推导了训练目标和推导过程；本发明方法能够在不填充缺失视图的情况下处理各种不完整多视图场景。
-
公开(公告)号：CN114170413A
公开(公告)日：2022-03-11
申请号：CN202111374363.8
申请日：2021-11-19
Applicant: 华东师范大学
IPC: G06V10/24 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于自编码器动量更新的子宫内膜图像分类方法，属于医疗图像分析技术领域。方法步骤包括：子宫内膜多视角的超声图像采集；设计一种针对子宫内膜超声图像数据的损失函数；设计预训练网络，使用训练数据重复迭代优化提升编码网络和解码网络的性能，使得编码网络将能够对于同一周期子宫内膜超声图像进行相似的特征编码，增大编码网络对不同周期子宫内膜超声图像之间的编码差异。本发明关注了子宫内膜超声图像相同周期不同视角之间的特征，提高了不同周期子宫内膜图像的可分辨性；同时降低了网络在训练过程中的不稳定性；以及使用了自监督的预训练策略；使用多视角特征融合策略；最终实现了准确稳定的训练和分类效果。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.022 seconds)
